Cátedra de

INTELIGENCIA ARTIFICIAL 2016

Ing. Sergio L. Martínez

Lógica Fuzzy – parte 2

Contenido Bibliografía
 Sivanandam S. N., Sumathi S.
 Sistema de inferencia
and Deepa S. N. Introduction to
fuzzy. Fuzzy Logic using MATLAB. Ed.
 Reglas Fuzzy. Springer. 2007.
 Base de Reglas Fuzzy.  D. Guzmán, V. M. Castaño, La
logica difusa en ingeniería,
 Proceso de Inferencia.
principios, aplicaciones y
 Emulador Fuzzy. futuro. 2006.
 Campos de Aplicación.  Gallo Armosino, A. Lógica
blanda, fuzzy o difusa. 2000.

1
 SISTEMAS DE INFERENCIA FUZZY
Un sistema de inferencia fuzzy (FIS) permite obtener nuevo
conocimiento a partir de los valores dados en las variables de
entrada, de acuerdo a las condiciones establecidas en la base de
reglas.

En forma general, las variables son fuzzyficadas, luego activan

las reglas correspondientes en la base, produciendo nuevas
condiciones que se componen en la máquina de inferencia. La
composición es defizzyfuicada para generar el resultado final.

Variables
fuzzy
Variables de entrada

Variables de salida
Base de Reglas

Defuzzyficación
Fuzzyficación
(crisp)

(crisp)
Máquina de Inferencia

2
 SISTEMAS DE INFERENCIA FUZZY
Según la cantidad de variables que involucren las reglas de
inferencia (fuzzy en este caso), se establece el tipo de
sistema que las contiene. Estos pueden ser:

SISO
SISO: Single Input – Single Output

MISO: Multiple Input – Single Output MISO

SIMO: Single Input – Multiple Output SIMO

MIMO: Mult. Input – Multiple Output MIMO

Los sistemas más usuales por su simplicidad y versatilidad

son los de tipo MISO, que serán los considerados en los
conceptos que siguen.
3
 REGLAS FUZZY
Las reglas en conjunto conforman la base de reglas y contienen
el conocimiento que maneja el sistema FIS.
Reglas condicionales
Una regla fuzzy condicional, en forma general, puede verse
como

SI xF  W ENTONCES yF Z
condición antecedente implicación consecuente

En reglas crisp el consecuente es validado al 100% cuando

el antecedente se cumple al 100%. En reglas fuzzy el grado
de cumplimiento y validación puede estar entre (0%, 100%].
Por lo tanto, el consecuente está relacionado con el grado
de verdad del antecedente, según el siguiente criterio:

“yF es miembro de Z,
en el mismo grado en que
xF es miembro de W” 4
 REGLAS FUZZY
Reglas incondicionales
(crisp)  SI x ENTONCES y
Ej. SI hay niebla ENTONCES hace frío

(fuzzy)  SI xF X ENTONCES yF Y
Ej. Si hay algo (xF) de niebla (X) ENTONCES
hace bastante (yF) frío (Y).

Reglas incondicionales multicriterio

Criterios múltiples se incorporan a las reglas relacionados
con los conectivos lógicos fuzzy (AND, OR, NOT). Amplían el
objeto del conocimiento.
(crisp)  SI x1 OR … xN ENTONCES y1 AND … yM
Ej. SI P=5 OR Q=0 ENTONCES Val=1 AND F=-1
(fuzzy)  SI w  W AND … x  X ENTONCES yF  Y AND…
Ej. Si h  Alto AND p  Peso ENTONCES
piné  Normal AND contextura  Estándar
5
 REGLAS FUZZY

Reglas incondicionales (o hechos)

No contienen una condición previa para su ejecución (no
tienen antecedente).
(crisp)  x  y Ej. Los pájaros vuelan
(fuzzy)  xF  yF Ej. La mayoría de los pájaros
vuelan
En el ejemplo anterior, paradójicamente, la regla fuzzy es
más precisa que la regla crisp.

6
 REGLAS FUZZY
Ejemplos

SI la comida es buena Y el servicio es aceptable

ENTONCES la propina debe ser generosa.

SI la presión es alta Y la temperatura aumenta

Y la solubilidad crece
ENTONCES cerrar rápidamente la válvula V1

SI Juan NO es alto Y su contextura es delgada

ENTONCES su peso es bajo.

SI velocidad es lenta O revoluciones es poca

ENTONCES recorrido es corto.

SI frío es intenso O viento es fuerte

ENTONCES clima es desfavorable.
7
 BASE DE REGLAS FUZZY

La base de reglas fuzzy contiene el conocimiento que

maneja el sistema de inferencia.
El conocimiento de base específico del campo debe ser
proporcionado por un Experto. La interpretación,
adaptación y configuración como reglas fuzzy corresponde
al Ingeniero del Conocimiento.
Las variables contenidas en las reglas fuzzy están
asociadas a las correspondientes funciones de
pertenencia.
La asignación de funciones de pertenencia a cada variable
puede realizarse por diferentes métodos (Sivanandam, 2007
- pag. 76).
La base de reglas fuzzy debe cumplir con las propiedades
básicas para trabajar en forma coherente (Sivanandam,
2007 - pag. 117).

8
 BASE DE REGLAS FUZZY

PROPIEDADES
Completitud: una base de reglas fuzzy se considera
completa si para cualquier combinación de valores de las
variables de entrada, se produce un valor de salida
apropiado.

Consistencia: una base de reglas fuzzy se considera

inconsistente si contiene al menos un par de reglas con el
mismo antecedente pero con diferentes consecuentes.

Continuidad: una base de reglas fuzzy se considera

continua si no contiene reglas adyacentes con conjuntos de
salida fuzzy con intersección vacía.

9
 PROCESO DE INFERENCIA
Combinar operadores
Implicar Defuzzyficar
Componer salidas

Diagrama del proceso de inferencia

10
 PROCESO DE INFERENCIA
1. Fuzzyficación de las entradas
Es el proceso mediante el cual, a partir del valor asignado
a una variable lingüística y por medio de su función de
pertenencia, se obtiene un valor numérico [0,1]
representativo del grado de pertenencia del valor de la
variable.

11
 PROCESO DE INFERENCIA
2. Aplicación de operadores fuzzy
Si el antecedente de una regla tiene más de una
variable lingüística enlazadas por operadores fuzzy
(AND – OR – NOT), se aplica el operador para
obtener un único valor de pertenencia
representativo del antecedente.

12
 PROCESO DE INFERENCIA
2. Aplicación de operadores fuzzy
Operador OR
Método 1 – Máximo
μ(a) OR μ(b) = máx[μ(a) , μ(b)]
Método 2 – Suma algebraica
μ(a) OR μ(b) = μ(a) + μ(b) - μ(a) . μ(b)
Operador AND
Método 1 – Mínimo
μ(a) AND μ(b) = mín[μ(a) , μ(b)]
Método 2 – Producto
μ(a) AND μ(b) = μ(a) . μ(b)
Operador NOT
NOT(μ(a)) = 1 – μ(a)
13
 PROCESO DE INFERENCIA
3. Aplicación del método de implicación
El método de implicación se aplica a cada una de las
reglas. Es la determinación de un nuevo conjunto
fuzzy obtenido del consecuente de la regla y
modificado por el valor fuzzy del antecedente (paso
anterior).

14
 PROCESO DE INFERENCIA
3. Aplicación del método de implicación (contin.)
Se disponen de diversos métodos de implicación que
difieren de acuerdo con el criterio adoptado.
 Método de la intersección o del mínimo (Mamdani)
μAB(a,b) = μA(a)  μB(b)

a b

b
a

15
 PROCESO DE INFERENCIA
3. Aplicación del método de implicación (contin.)
 Método del producto (Larsen)
μAB(a,b) = μA(a) . μB(b)

a b

a b

16
 PROCESO DE INFERENCIA

3. Aplicación del método de implicación (contin.)

 Regla max - min (Zadeh)
μAB(a,b) = [μA(a)  μB(b)]  [1 – μA(a)]

a b

a b

17
PROCESO DE INFERENCIA

4. Composición de las salidas

Una vez obtenidos todos los
nuevos subconjuntos fuzzy de
salida de cada regla, se deben
combinar de alguna forma para
poder tomar una decisión. El
proceso de composición (o
agregación) crea un único
conjunto fuzzy para cada
variable de salida.
Los métodos de composición
más usuales son:
Máximo (figura).
Suma

18
 PROCESO DE INFERENCIA
5. Defuzzyficación
El paso final de la inferencia es la determinación de
un número (crisp) proveniente del conjunto fuzzy
compuesto (en el paso anterior).
Los métodos más usuales de defuzzyficación son
Centroide: Centro del área
del conjunto compuesto
(método más utilizado).

MOM (middle of
maximum): Promedio
de valores máximos.
19
 PROCESO DE INFERENCIA

4. Defuzzyficación (contin.)
LOM (Largest Of Maximum:
El mayor de los valores
máximos.

SOM (Smallest Of Maximum):

El menor del valores máximos.

20
 SISTEMA DE INFERENCIA
Ejemplo: Sistema de inferencia fuzzy para determinar el
precio de un producto.

21
 Controlador Fuzzy/PID

Ejemplo: Diagrama de control del nivel de agua

en un tanque. Doble controlador Fuzzy/PID.
Controlador PID

Sistema a controlar

Conmutador
Sistema de
Inferencia Fuzzy

22
 Controladores Fuzzy
Ejemplo: Sistema de inferencia fuzzy para determinar la
posición de una válvula de control de caudal.
Entrada 1

Válvula Entrada 2

Caudal de
entrada Alto

Niveles de
referencia
Normal Correcto
180º
Bajo

Caudal de
Salida salida
0º 360º
23
Cerrada Abierta
 Controladores Fuzzy

Ejemplo: Sistema de inferencia

fuzzy para determinar la posición
de una válvula de control de caudal.

Entrada 1: Nivel Entrada 2: Dif. de Caudal

Sale Cero Entra

Bajo Correcto Alto

No
Salida:
Abre
Cierra cambia Posición
rápido
rápido
Cierra Abre válvula
lento lento

24
 Controladores Fuzzy

Ejemplo: Sistema de inferencia Base de Reglas

fuzzy para determinar la posición

de una válvula de control de caudal.

BASE DE REGLAS

Reglas de inferencia
25
 Controladores Fuzzy

Ejemplo: Sistema de inferencia Reglas

Defuzzyficación
Fuzzyficación
fuzzy para determinar la posición
de una válvula de control de caudal. Máquina de Inferencia

Operación del sistema

Nivel = 5 Caudal = 0 Posición =180º

Condiciones estacionarias 26
 Controladores Fuzzy

Ejemplo: Sistema de inferencia Reglas

Defuzzyficación
Fuzzyficación
fuzzy para determinar la posición
de una válvula de control de caudal. Máquina de Inferencia

Operación del sistema

Nivel = 2 Caudal = -0.05 Posición =311º

Nivel bajo – Caudal sale – Válvula abre 27

 Controladores Fuzzy

Ejemplo: Sistema de inferencia Reglas

Defuzzyficación
Fuzzyficación
fuzzy para determinar la posición
de una válvula de control de caudal. Máquina de Inferencia

Operación del sistema

Nivel = 5 Caudal = 0.07 Posición =161º

Nivel normal – Caudal entra – Válvula cierra 28

 Controladores Fuzzy

Ejemplo: Sistema de inferencia fuzzy para

determinar la posición de una válvula de control
de caudal.
Espacio de estados
Posición válvula

29
 EMULACIÓN FUZZY

Defuzzificador
Fuzzificador

Modelo
Fuzzy
Base de
Reglas

30
 CAMPOS DE APLICACIÓN

A  Manipilación del conocimiento

ambigüo.
Ingeniería 
C F P  Tratamiento de datos
L imprecisos.
Matemática 
 Controladores de todo tipo:
A U I Lineales/no lineales.
Física  C Variantes en el tiempo.
M Adaptivos.
Medicina  Z A
 Sistemas inteligentes híbridos:
P C Sistemas expertos fuzzy.
Redes neuro-fuzzy.
Astronomía 
Z I Algoritmos genéticos fuzzy.
O O  Equipos electrónicos.
Economía 
 Automatización de sistemas.
S Y N
 Procesos industriales de todo
Otros  E
tipo.
S  Otras aplicaciones.
31